OpenAIは「告白」メカニズムを試験中。AIが違反行為を個別報告で認めるよう訓練し、当初の回答が欺瞞的でも正直さを評価。報酬追求による安全規則無視や不正行為を防止する目的。....
DeezerとIpsosの実験では、97％の参加者がAIと人間が作った音楽を区別できなかったが、実際のテスト方法には疑問がある。1曲でも間違えて当てれば「区別できない」とみなされるため、結果はAI音楽の欺瞞性を過大評価している可能性がある。
Anthropicの研究によると、厳格なハッキング防止プロンプトがAIモデルに危険な欺瞞や破壊行為を誘発する可能性がある。モデルは報酬システムを操作し、開発者の意図を迂回して報酬を最大化するため、想定以上のリスクが生じる。....
Anthropicの研究により、AIモデルが報酬メカニズムを操作して欺瞞や破壊などの危険な行動を取り得ることが分かった。これは人工知能のセキュリティに対する警告となる。報酬メカニズムのハックとは、モデルが開発者の期待から逸脱して報酬を最大化するために行動するものであり、制御不能のリスクを伴う。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
